Exemplo de currículo Junior AI Research Engineer
Exemplo de currículo profissional Junior AI Research Engineer. Modelo otimizado para ATS.
Escolha seu nível
Selecione o nível de experiência para um modelo de currículo adequado
Exemplo de currículo profissional Junior AI Research Engineer. Modelo otimizado para ATS.
Ver modelo →Exemplo de currículo profissional Middle AI Research Engineer. Modelo otimizado para ATS.
Ver modelo →Exemplo de currículo profissional Senior AI Research Engineer. Modelo otimizado para ATS.
Ver modelo →Exemplo de currículo profissional Lead AI Research Engineer. Modelo otimizado para ATS.
Ver modelo →Por que este currículo funciona
Verbos que sinalizam ownership de research-to-prod
Reproduzi, Desenvolvi, Perfilei, Estendi, Implementei. Frontier labs procuram verbos que provem que você consegue pegar um paper e transformá-lo em código de treinamento executável, não apenas 'usei PyTorch'. Essa é a régua que separa research engineers de MLEs genéricos.
Números de eval e training-run, não vibes
Dentro de 0,6 pontos do HumanEval pass@1, 38 ablation runs, 17% das GPU-hours, de 95 minutos para 22 minutos, de 11% para menos de 2%, 1.7x throughput. Research engineers são julgados por benchmarked deltas; sem número, sua ablation é folclore.
Rigor e disciplina de FLOPs visíveis em cada bullet
Não é 'treinou um modelo', mas 'em 3 tamanhos de modelo destilados' e 'as 4 configurações que sobreviveram ao golden-trace eval replay'. Frontier labs contratam por rigor: ablations que provam uma hipótese, não training runs que queimam compute. Essa é a parte que CVs com sabor de MLE sempre erram.
Sinal de colaboração, mesmo em nível de intern
Em dupla com dois senior research engineers; entrou em 3 internal training stacks. Mesmo como intern, prove que você entrega em codebases compartilhados dos quais outros pesquisadores dependem. Esse NÃO é um papel de MLE; é um papel paper-to-codebase com peer reviewers.
Stack nomeada na camada que um frontier lab se importa
Triton kernel, FSDP-Z2 sharding, golden-trace replay, EleutherAI lm-evaluation-harness. Não escreva 'PyTorch'; escreva a camada específica do training stack que você tocou. É assim que recruiters de research engineer separam hobbyists de contributors.
Alterne entre níveis para recomendações específicas
Habilidades-chave
- Python
- PyTorch
- JAX
- Hugging Face Transformers
- Slurm
- FSDP
- Weights and Biases
- lm-evaluation-harness
- Triton
- CUDA
- DeepSpeed-Z2
- Hydra
- MMLU
- GPQA-Diamond
- HumanEval
- MATH-500
- vLLM
- FSDP-Z3
- DeepSpeed ZeRO
- Megatron-LM
- NCCL profiling
- SFT
- DPO
- RLHF
- RLAIF
- PPO
- Hugging Face TRL
- DeepSpeed-MII
- Triton kernels
- NCCL
- Rust
- Tensor Parallel
- Activation Checkpointing
- Speculative Decoding
- Reward Modeling
- Constitutional AI
- Golden-trace Replay
- Scaling Laws
- Inference-Time Compute
- Mech-Interp Probes
- Mixture-of-Experts
- RLHF/DPO/RLAIF
- Multimodal Alignment
- Mech-Interp
- Red-Team Eval
- Eval-Harness Contracts
- FLOPs Accounting
- Org Design
- Research Strategy
- Hiring Rubrics
- Compute Budget Planning
Melhore seu currículo
Faixas salariais (US)
Progressão na carreira
AI Research Engineering é uma das tracks de mais alta alavancagem em frontier labs. A progressão vai de ablation-owner / eval-harness contributor (junior) para small-model training-run lead (middle) para large-model training-run-tier lead (senior) para arquiteto de research area (lead, MTS, staff). Cada nível adiciona escala de compute, ownership de eval-suite e artefatos reusáveis. O teto para ICs é staff ou principal research engineer; muitos leads também pivotam para research-engineering management (head of pretraining, head of post-training).
Reproduzir 2-3 papers de frontier lab com eval deltas nomeados, contribuir com um PR mergeado em lm-evaluation-harness / trl / vLLM, ter ownership end-to-end de uma série de ablations de small-model, fazer profile e reportar GPU-hour cost, entregar um Triton kernel ou um fix de NCCL-tuning e começar a ser o named on-call de pelo menos um secondary training run.
- FSDP-Z3 + activation checkpointing
- SFT and DPO post-training
- Triton kernel authoring
- Eval-harness golden-trace replay
- FLOPs accounting
Ser primary on-call de um training run real (>=7B parameters) com um percentual de reliability, matar ao menos uma ablation de várias semanas com evidência de eval nomeada, mentorar 2 juniors em suas primeiras rotações de ablation-owner, desenvolver um artefato reusável (post-training run-book, eval template, kernel pack) e começar a influenciar o eval-harness contract usado por times adjacentes.
- RLHF and RLAIF post-training
- NCCL collective tuning
- Tensor parallel + pipeline parallel
- Speculative decoding stacks
- Reusable run-books
Ter ownership de um training run em frontier-tier (GPU count de 4 dígitos, 70B+ parameters, duração de várias semanas), produzir um senior-only kill (initiative de várias semanas parada após uma ablation de eval, com centenas de milhares de GPU-hours redirecionados), mentorar 2 ICs a research-engineer senior, desenvolver um company-wide eval-harness contract ou FLOPs accounting library e fazer parceria com um peer em nível VP no roadmap da research area.
- Research-area architecture (post-training, inference-time compute, multimodal alignment)
- Multi-million GPU-hour budget ownership
- Eval-harness contract design
- Promotion ladder design and IC rotation mechanisms
- Cross-team partnerships with VP-level peers
Caminhos adjacentes: research scientist (mais publicações, menos código), MLE / production AI engineer (serving e infra em escala), mech-interp researcher (ramo especializado da área), research-engineering manager (people leadership), inference-systems engineer (especialista em vLLM / TensorRT / speculative decoding). Alguns research engineers também pivotam para papéis específicos de AI safety / red-team ou para fundar startups de research-tooling (eval platforms, training-stack tooling).
Templates e exemplos de CV de AI Research Engineer de intern a lead, escritos para o job spec real de frontier lab. O papel vive entre o research scientist e o MLE de produção: você transforma papers em código de treinamento e inferência executável, tem ownership do eval harness, roda ablations e entrega componentes de frontier model. Recruiters em Anthropic, OpenAI, Google DeepMind, FAIR, NVIDIA Research, Cohere e Apple AIML procuram sinais bem específicos: turnaround paper-to-checkpoint, percentuais de training-run reliability, taxas de pass de eval-suite em MMLU, GPQA-Diamond, HumanEval e MATH-500, eficiência de FLOPs, disciplina de GPU-hour cost e a disciplina de matar ablations que falham em elevar evals. Este guia cobre de junior a lead com métricas concretas, as ferramentas que importam (PyTorch, JAX, FSDP, DeepSpeed ZeRO, Megatron-LM, Triton, RLHF, DPO, golden-trace replay) e o vocabulário que separa research engineers de ML engineers genéricos.